Métodos de Predictivos (Clasificación o Aprendizaje-Supervisado)
Se necesita cargar las siguientes librerías
Muestra la distribución de la variable a predecir
equilibrio.variable.predecir<-function(datos,variable.predecir,ylab="Cantidad de individuos",xlab = "",
main=paste("Distribución de la variable",variable.predecir),
col = NA) {
gg_color <- function (n) {
hues <- seq(15, 375, length = n + 1)
hcl(h = hues, l = 65, c = 100)[1:n]
}
if(missing(variable.predecir) | !(variable.predecir %in% colnames(datos))){
stop("variable.predecir tiene que ser ingresada y ser un nombre de columna", call. = FALSE )
}
if(is.character(datos[,variable.predecir]) | is.factor(datos[,variable.predecir])){
if(length(col) == 0 || is.na(col)){
col <- gg_color(length(unique(datos[,variable.predecir])))
}else{
col <- rep(col,length(unique(datos[,variable.predecir])))
}
ggplot(data = datos, mapping = aes_string(x = variable.predecir, fill = variable.predecir)) +
geom_bar() +
scale_fill_manual(values = col, name = variable.predecir) +
labs(x = xlab, y = ylab, title = main) +
theme_minimal() +
theme(legend.position = "bottom")
}else{
stop("La variable a predecir tienen que ser de tipo factor o character", call. = FALSE )
}
}Muestra la distribución de una variable numérica según la variable a predecir
poder.predictivo.numerica<-function(datos,variable.predecir,variable.comparar,ylab="",xlab="",
main=paste("Densidad de la variable",variable.comparar,'según',variable.predecir),
col=NA){
gg_color <- function (n) {
hues <- seq(15, 375, length = n + 1)
hcl(h = hues, l = 65, c = 100)[1:n]
}
if(missing(variable.predecir) | !(variable.predecir %in% colnames(datos))){
stop("variable.predecir tiene que ser ingresada y ser un nombre de columna", call. = FALSE )
}
if(missing(variable.comparar) | !(variable.comparar %in% colnames(datos)) | !is.numeric(datos[,variable.comparar])){
stop("variable.comparar tiene que ser ingresada y ser un nombre de columna numérica", call. = FALSE )
}
if(is.character(datos[,variable.predecir]) | is.factor(datos[,variable.predecir])){
if(length(col) == 0 || is.na(col)){
col <- gg_color(length(unique(datos[,variable.predecir])))
}else{
col <- rep(col,length(unique(datos[,variable.predecir])))
}
ggplot(data = datos, aes_string(variable.comparar, fill = variable.predecir)) +
geom_density(alpha = .7, color = NA) +
scale_fill_manual(values = col) +
labs(title = main , y = ylab, x = xlab ,fill = variable.predecir) +
theme_minimal() +
theme(legend.position = 'bottom',
legend.title = element_blank(),
text = element_text(size = 15))
}else{
stop("La variable a predecir tienen que ser de tipo factor o character", call. = FALSE )
}
}Muestra la distribución de una variable categórica según la variable a predecir
poder.predictivo.categorica<-function(datos,variable.predecir,variable.comparar,ylab="",xlab="",
main=paste("Densidad de la variable",variable.comparar,'según',variable.predecir),
col=NA){
gg_color <- function (n) {
hues <- seq(15, 375, length = n + 1)
hcl(h = hues, l = 65, c = 100)[1:n]
}
if(missing(variable.predecir) | !(variable.predecir %in% colnames(datos))){
stop("variable.predecir tiene que ser ingresada y ser un nombre de columna", call. = FALSE )
}
if(missing(variable.comparar) | !(variable.comparar %in% colnames(datos)) |
!(is.factor(datos[,variable.comparar]) | is.character(datos[,variable.comparar])) ){
stop("variable.comparar tiene que ser ingresada y ser un nombre de columna categórica", call. = FALSE )
}
if(is.character(datos[,variable.predecir]) | is.factor(datos[,variable.predecir])){
if(length(col) == 0 || is.na(col)){
col <- gg_color(length(unique(datos[,variable.predecir])))
}else{
col <- rep(col,length(unique(datos[,variable.predecir])))
}
datos2 <- datos %>%
dplyr::group_by_(variable.comparar, variable.predecir) %>%
dplyr::summarise(count = n())
if(variable.comparar != variable.predecir){
datos2 <- datos2 %>% dplyr::group_by_(variable.comparar)
}
datos2 <- datos2 %>% dplyr::mutate(prop = round(count/sum(count),4))
ggplot(data = datos2, mapping = aes_string(x = variable.comparar, y = "prop", fill = variable.predecir)) +
geom_col(position = "fill") +
geom_text(aes(label = glue("{percent(prop)} ({count})")), position = position_stack(vjust = .5), color = "white") +
scale_y_continuous(label = percent) +
labs(y = xlab, x = ylab, title = main) +
scale_fill_manual(values = col, name = variable.predecir) +
theme(legend.position = "bottom")+
coord_flip()
}else{
stop("La variable a predecir tienen que ser de tipo factor o character", call. = FALSE )
}
}Índices para matrices NxN
indices.general <- function(MC) {
precision.global <- sum(diag(MC))/sum(MC)
error.global <- 1 - precision.global
precision.categoria <- diag(MC)/rowSums(MC)
res <- list(matriz.confusion = MC, precision.global = precision.global, error.global = error.global,
precision.categoria = precision.categoria)
names(res) <- c("Matriz de Confusión", "Precisión Global", "Error Global",
"Precisión por categoría")
return(res)
}'data.frame': 150 obs. of 5 variables:
$ s.largo: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
$ s.ancho: num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
$ p.largo: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
$ p.ancho: num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
$ tipo : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
Vamos a generar al azar una tabla de testing de tamaño 50 y una tabla de aprendizaje de tamaño 100.
Se cargan las librerías
Se genera el modelo
# Genera el modelo con parámetros por defecto, no hay nada que calibrar
modelo <- naiveBayes(tipo~., data = taprendizaje)
modelo
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
setosa versicolor virginica
0.34 0.29 0.37
Conditional probabilities:
s.largo
Y [,1] [,2]
setosa 4.997059 0.3261207
versicolor 5.944828 0.5124076
virginica 6.545946 0.6265401
s.ancho
Y [,1] [,2]
setosa 3.426471 0.4092186
versicolor 2.796552 0.3052900
virginica 2.970270 0.2970829
p.largo
Y [,1] [,2]
setosa 1.464706 0.1612120
versicolor 4.279310 0.4865177
virginica 5.521622 0.5513293
p.ancho
Y [,1] [,2]
setosa 0.250000 0.1134847
versicolor 1.348276 0.2164992
virginica 2.064865 0.2648020
Se genera la predicción
[1] virginica versicolor virginica setosa versicolor setosa
[7] setosa versicolor versicolor versicolor versicolor versicolor
[13] virginica setosa setosa versicolor versicolor versicolor
[19] setosa virginica setosa versicolor setosa versicolor
[25] versicolor versicolor setosa setosa versicolor versicolor
[31] virginica setosa virginica setosa versicolor setosa
[37] virginica versicolor virginica setosa virginica virginica
[43] setosa versicolor versicolor setosa versicolor versicolor
[49] versicolor virginica
Levels: setosa versicolor virginica
Se genera la matriz de confusión
prediccion
setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
Índices de calidad de la predicción
$`Matriz de Confusión`
prediccion
setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
$`Precisión Global`
[1] 0.96
$`Error Global`
[1] 0.04
$`Precisión por categoría`
setosa versicolor virginica
1.0000000 1.0000000 0.8461538
Se cargan las librerías
Se genera el modelo
# Genera el modelo con parámetros por defecto, no hay nada que calibrar
modelo <- train.bayes(tipo~., data = taprendizaje)
modelo
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
setosa versicolor virginica
0.34 0.29 0.37
Conditional probabilities:
s.largo
Y [,1] [,2]
setosa 4.997059 0.3261207
versicolor 5.944828 0.5124076
virginica 6.545946 0.6265401
s.ancho
Y [,1] [,2]
setosa 3.426471 0.4092186
versicolor 2.796552 0.3052900
virginica 2.970270 0.2970829
p.largo
Y [,1] [,2]
setosa 1.464706 0.1612120
versicolor 4.279310 0.4865177
virginica 5.521622 0.5513293
p.ancho
Y [,1] [,2]
setosa 0.250000 0.1134847
versicolor 1.348276 0.2164992
virginica 2.064865 0.2648020
Se genera la predicción
[1] virginica versicolor virginica setosa versicolor setosa
[7] setosa versicolor versicolor versicolor versicolor versicolor
[13] virginica setosa setosa versicolor versicolor versicolor
[19] setosa virginica setosa versicolor setosa versicolor
[25] versicolor versicolor setosa setosa versicolor versicolor
[31] virginica setosa virginica setosa versicolor setosa
[37] virginica versicolor virginica setosa virginica virginica
[43] setosa versicolor versicolor setosa versicolor versicolor
[49] versicolor virginica
Levels: setosa versicolor virginica
Se genera la matriz de confusión
prediction
real setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
Índices de calidad de la predicción
Confusion Matrix:
prediction
real setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
Overall Accuracy: 0.9600
Overall Error: 0.0400
Category Accuracy:
setosa versicolor virginica
1.000000 1.000000 0.846154
Podemos omitir crear la matriz de confusión
Confusion Matrix:
prediction
real setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
Overall Accuracy: 0.9600
Overall Error: 0.0400
Category Accuracy:
setosa versicolor virginica
1.000000 1.000000 0.846154
Utilizando los datos que previamente cargamos
Podemos visualizar la distribución de las variables numéricas según la variable a predecir.
Utilizando los mismo datos para prueba (ttesting) y aprendizaje (taprendizaje) que creamos anteriormente.
Se cargan las librerías
Se genera el modelo
# Genera el modelo con parámetros por defecto
modelo <- naiveBayes(tipo~p.largo+p.ancho, data = taprendizaje)
modelo
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
setosa versicolor virginica
0.34 0.29 0.37
Conditional probabilities:
p.largo
Y [,1] [,2]
setosa 1.464706 0.1612120
versicolor 4.279310 0.4865177
virginica 5.521622 0.5513293
p.ancho
Y [,1] [,2]
setosa 0.250000 0.1134847
versicolor 1.348276 0.2164992
virginica 2.064865 0.2648020
Se genera la predicción
# Type="class" hace que el modelo prediga clases y no probabilidades
prediccion <- predict(modelo, ttesting[,-5])
prediccion [1] virginica versicolor virginica setosa versicolor setosa
[7] setosa versicolor versicolor versicolor versicolor versicolor
[13] virginica setosa setosa versicolor versicolor versicolor
[19] setosa virginica setosa versicolor setosa versicolor
[25] versicolor versicolor setosa setosa versicolor versicolor
[31] virginica setosa virginica setosa versicolor setosa
[37] virginica versicolor virginica setosa virginica virginica
[43] setosa versicolor versicolor setosa versicolor versicolor
[49] versicolor virginica
Levels: setosa versicolor virginica
Se genera la matriz de confusión
prediccion
setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
Índices de calidad de la predicción
$`Matriz de Confusión`
prediccion
setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
$`Precisión Global`
[1] 0.96
$`Error Global`
[1] 0.04
$`Precisión por categoría`
setosa versicolor virginica
1.0000000 1.0000000 0.8461538
Se cargan las librerías
Se genera el modelo
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
setosa versicolor virginica
0.34 0.29 0.37
Conditional probabilities:
p.largo
Y [,1] [,2]
setosa 1.464706 0.1612120
versicolor 4.279310 0.4865177
virginica 5.521622 0.5513293
p.ancho
Y [,1] [,2]
setosa 0.250000 0.1134847
versicolor 1.348276 0.2164992
virginica 2.064865 0.2648020
Se genera la predicción
[1] virginica versicolor virginica setosa versicolor setosa
[7] setosa versicolor versicolor versicolor versicolor versicolor
[13] virginica setosa setosa versicolor versicolor versicolor
[19] setosa virginica setosa versicolor setosa versicolor
[25] versicolor versicolor setosa setosa versicolor versicolor
[31] virginica setosa virginica setosa versicolor setosa
[37] virginica versicolor virginica setosa virginica virginica
[43] setosa versicolor versicolor setosa versicolor versicolor
[49] versicolor virginica
Levels: setosa versicolor virginica
Se genera la matriz de confusión
prediction
real setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
Índices de calidad de la predicción
Confusion Matrix:
prediction
real setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
Overall Accuracy: 0.9600
Overall Error: 0.0400
Category Accuracy:
setosa versicolor virginica
1.000000 1.000000 0.846154
Podemos omitir crear la matriz de confusión
Confusion Matrix:
prediction
real setosa versicolor virginica
setosa 16 0 0
versicolor 0 21 0
virginica 0 2 11
Overall Accuracy: 0.9600
Overall Error: 0.0400
Category Accuracy:
setosa versicolor virginica
1.000000 1.000000 0.846154
setwd("~/Desktop/Datos/")
datos<-read.csv("MuestraCredito5000V2.csv",sep = ";",header=T)
# Recodifica las variables como categóricas ordinales
datos$IngresoNeto <- factor(datos$IngresoNeto, ordered = TRUE)
datos$CoefCreditoAvaluo <- factor(datos$CoefCreditoAvaluo, ordered = TRUE)'data.frame': 5000 obs. of 6 variables:
$ MontoCredito : int 14327 111404 21128 15426 10351 27060 243369 16300 18319 107037 ...
$ IngresoNeto : Ord.factor w/ 2 levels "1"<"2": 1 1 1 2 1 1 1 2 2 2 ...
$ CoefCreditoAvaluo: Ord.factor w/ 12 levels "1"<"2"<"3"<"4"<..: 1 1 1 1 1 1 1 1 1 1 ...
$ MontoCuota : Factor w/ 4 levels "Alto","Bajo",..: 4 4 4 4 4 4 4 4 4 4 ...
$ GradoAcademico : Factor w/ 2 levels "Bachiller","Licenciatura": 1 1 1 1 1 1 1 1 1 1 ...
$ BuenPagador : Factor w/ 2 levels "No","Si": 2 2 2 2 2 2 2 2 2 2 ...
Vamos a generar al azar una tabla de testing con 15% de los datos y una tabla de aprendizaje con 85%
Se cargan las librerías
Se genera el modelo
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
No Si
0.1404706 0.8595294
Conditional probabilities:
MontoCredito
Y [,1] [,2]
No 72175.80 68949.97
Si 43001.92 52188.32
IngresoNeto
Y 1 2
No 0.6649916 0.3350084
Si 0.4158226 0.5841774
CoefCreditoAvaluo
Y 1 2 3 4 5
No 0.035175879 0.000000000 0.000000000 0.083752094 0.028475712
Si 0.042157131 0.003011224 0.005748700 0.024363537 0.025732275
CoefCreditoAvaluo
Y 6 7 8 9 10
No 0.073701843 0.010050251 0.013400335 0.058626466 0.008375209
Si 0.019709828 0.035587189 0.001368738 0.007938681 0.015056118
CoefCreditoAvaluo
Y 11 12
No 0.470686767 0.217755444
Si 0.273200109 0.546126471
MontoCuota
Y Alto Bajo Medio MuyBajo
No 0.24288107 0.19932998 0.45896147 0.09882747
Si 0.11415275 0.28469751 0.54421024 0.05693950
GradoAcademico
Y Bachiller Licenciatura
No 0.6030151 0.3969849
Si 0.5039693 0.4960307
Se genera la predicción
[1] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[24] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[47] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si
[70] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[93] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[116] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[139] Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si
[162] Si No Si Si Si Si Si Si Si No Si Si Si Si Si Si Si No Si Si Si Si Si
[185] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[208] Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[231] No Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[254] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[277] Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si
[300] Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[323] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[346] Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[369] Si Si Si Si No Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[392] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[415] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No No
[438] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[461] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[484] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si
[507] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[530] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[553] Si Si Si Si Si Si Si No Si No Si Si Si Si Si No No Si No Si Si Si Si
[576] Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No
[599] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[622] Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[645] No Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si No Si Si Si
[668] Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[691] Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[714] Si No Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[737] Si Si Si Si Si Si Si Si No Si Si Si Si Si
Levels: No Si
Se genera la matriz de confusión
prediccion
No Si
No 21 87
Si 20 622
Índices de calidad de la predicción
$`Matriz de Confusión`
prediccion
No Si
No 21 87
Si 20 622
$`Precisión Global`
[1] 0.8573333
$`Error Global`
[1] 0.1426667
$`Precisión por categoría`
No Si
0.1944444 0.9688474
Se cargan las librerías
Se genera el modelo
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
No Si
0.1404706 0.8595294
Conditional probabilities:
MontoCredito
Y [,1] [,2]
No 72175.80 68949.97
Si 43001.92 52188.32
IngresoNeto
Y 1 2
No 0.6649916 0.3350084
Si 0.4158226 0.5841774
CoefCreditoAvaluo
Y 1 2 3 4 5
No 0.035175879 0.000000000 0.000000000 0.083752094 0.028475712
Si 0.042157131 0.003011224 0.005748700 0.024363537 0.025732275
CoefCreditoAvaluo
Y 6 7 8 9 10
No 0.073701843 0.010050251 0.013400335 0.058626466 0.008375209
Si 0.019709828 0.035587189 0.001368738 0.007938681 0.015056118
CoefCreditoAvaluo
Y 11 12
No 0.470686767 0.217755444
Si 0.273200109 0.546126471
MontoCuota
Y Alto Bajo Medio MuyBajo
No 0.24288107 0.19932998 0.45896147 0.09882747
Si 0.11415275 0.28469751 0.54421024 0.05693950
GradoAcademico
Y Bachiller Licenciatura
No 0.6030151 0.3969849
Si 0.5039693 0.4960307
Se genera la predicción
[1] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[24] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[47] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si
[70] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[93] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[116] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[139] Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si
[162] Si No Si Si Si Si Si Si Si No Si Si Si Si Si Si Si No Si Si Si Si Si
[185] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[208] Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[231] No Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[254] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[277] Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si
[300] Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[323] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[346] Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[369] Si Si Si Si No Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[392] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[415] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No No
[438] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[461] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[484] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si
[507] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[530] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[553] Si Si Si Si Si Si Si No Si No Si Si Si Si Si No No Si No Si Si Si Si
[576] Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No
[599] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[622] Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[645] No Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si No Si Si Si
[668] Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[691] Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[714] Si No Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[737] Si Si Si Si Si Si Si Si No Si Si Si Si Si
Levels: No Si
Se genera la matriz de confusión
prediction
real No Si
No 21 87
Si 20 622
Índices de calidad de la predicción
Confusion Matrix:
prediction
real No Si
No 21 87
Si 20 622
Overall Accuracy: 0.8573
Overall Error: 0.1427
Category Accuracy:
No Si
0.194444 0.968847
Podemos omitir crear la matriz de confusión
Confusion Matrix:
prediction
real No Si
No 21 87
Si 20 622
Overall Accuracy: 0.8573
Overall Error: 0.1427
Category Accuracy:
No Si
0.194444 0.968847
Utilizando los datos que previamente cargamos
Podemos visualizar la distribución de las variables numéricas y categóricas según la variable a predecir.
Utilizando los mismo datos para prueba (ttesting) y aprendizaje (taprendizaje) que creamos anteriormente.
Se cargan las librerías
Se genera el modelo
modelo <- naiveBayes(BuenPagador~CoefCreditoAvaluo+GradoAcademico+IngresoNeto+MontoCuota,
data = taprendizaje)
modelo
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
No Si
0.1404706 0.8595294
Conditional probabilities:
CoefCreditoAvaluo
Y 1 2 3 4 5
No 0.035175879 0.000000000 0.000000000 0.083752094 0.028475712
Si 0.042157131 0.003011224 0.005748700 0.024363537 0.025732275
CoefCreditoAvaluo
Y 6 7 8 9 10
No 0.073701843 0.010050251 0.013400335 0.058626466 0.008375209
Si 0.019709828 0.035587189 0.001368738 0.007938681 0.015056118
CoefCreditoAvaluo
Y 11 12
No 0.470686767 0.217755444
Si 0.273200109 0.546126471
GradoAcademico
Y Bachiller Licenciatura
No 0.6030151 0.3969849
Si 0.5039693 0.4960307
IngresoNeto
Y 1 2
No 0.6649916 0.3350084
Si 0.4158226 0.5841774
MontoCuota
Y Alto Bajo Medio MuyBajo
No 0.24288107 0.19932998 0.45896147 0.09882747
Si 0.11415275 0.28469751 0.54421024 0.05693950
Se genera la predicción
[1] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si
[24] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[47] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[70] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[93] Si Si Si Si Si Si Si Si Si Si No Si Si No Si Si Si Si Si Si Si Si Si
[116] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[139] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[162] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[185] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[208] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[231] No Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si No Si Si Si Si
[254] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[277] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[300] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[323] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[346] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[369] Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[392] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[415] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[438] Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si No Si Si Si
[461] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[484] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[507] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[530] Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[553] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[576] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[599] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[622] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[645] No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[668] Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si
[691] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[714] Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[737] Si Si Si Si Si Si Si Si Si Si Si Si Si Si
Levels: No Si
Se genera la matriz de confusión
prediccion
No Si
No 15 93
Si 3 639
Índices de calidad de la predicción
$`Matriz de Confusión`
prediccion
No Si
No 15 93
Si 3 639
$`Precisión Global`
[1] 0.872
$`Error Global`
[1] 0.128
$`Precisión por categoría`
No Si
0.1388889 0.9953271
Se cargan las librerías
Se genera el modelo
modelo <- train.bayes(BuenPagador~CoefCreditoAvaluo+GradoAcademico+IngresoNeto+MontoCuota,
data = taprendizaje)
modelo
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)
A-priori probabilities:
Y
No Si
0.1404706 0.8595294
Conditional probabilities:
CoefCreditoAvaluo
Y 1 2 3 4 5
No 0.035175879 0.000000000 0.000000000 0.083752094 0.028475712
Si 0.042157131 0.003011224 0.005748700 0.024363537 0.025732275
CoefCreditoAvaluo
Y 6 7 8 9 10
No 0.073701843 0.010050251 0.013400335 0.058626466 0.008375209
Si 0.019709828 0.035587189 0.001368738 0.007938681 0.015056118
CoefCreditoAvaluo
Y 11 12
No 0.470686767 0.217755444
Si 0.273200109 0.546126471
GradoAcademico
Y Bachiller Licenciatura
No 0.6030151 0.3969849
Si 0.5039693 0.4960307
IngresoNeto
Y 1 2
No 0.6649916 0.3350084
Si 0.4158226 0.5841774
MontoCuota
Y Alto Bajo Medio MuyBajo
No 0.24288107 0.19932998 0.45896147 0.09882747
Si 0.11415275 0.28469751 0.54421024 0.05693950
Se genera la predicción
[1] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si
[24] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[47] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[70] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[93] Si Si Si Si Si Si Si Si Si Si No Si Si No Si Si Si Si Si Si Si Si Si
[116] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[139] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[162] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[185] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[208] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[231] No Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si No Si Si Si Si
[254] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[277] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[300] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[323] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[346] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[369] Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[392] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[415] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[438] Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si No Si Si Si
[461] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[484] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[507] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[530] Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[553] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[576] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[599] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[622] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[645] No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[668] Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si
[691] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[714] Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[737] Si Si Si Si Si Si Si Si Si Si Si Si Si Si
Levels: No Si
Se genera la matriz de confusión
prediction
real No Si
No 15 93
Si 3 639
Índices de calidad de la predicción
Confusion Matrix:
prediction
real No Si
No 15 93
Si 3 639
Overall Accuracy: 0.8720
Overall Error: 0.1280
Category Accuracy:
No Si
0.138889 0.995327
Podemos omitir crear la matriz de confusión
Confusion Matrix:
prediction
real No Si
No 15 93
Si 3 639
Overall Accuracy: 0.8720
Overall Error: 0.1280
Category Accuracy:
No Si
0.138889 0.995327